Este artigo está   sob licença CC BY-NC-SA 4.0 DEED. disponível no arxiv   Autores:  (1) H. Wen, Departamento de Economia, Universidade de Bath;  (2) T. Huang, Faculdade de Administração e Direito da Universidade de Roehampton;  (3) D. Xiao, Escola de Ciências Matemáticas.  Tabela de links   Resumo e Introdução   Tecnologias Blockchain relevantes   Modelo Básico   Modelos Avançados para Cenários do Mundo Real   Simulações de Monte Carlo   Conclusões   Investigações Futuras e Referências  Abstrato  Na era dos mercados digitais, o desafio para os consumidores é discernir a qualidade em meio à assimetria de informação. Embora os mercados tradicionais utilizem mecanismos de marca para resolver este problema, a transferência de tais sistemas para mercados P2P baseados na Internet – onde práticas enganosas, como classificações falsas, são generalizadas – continua a ser um desafio. As atuais plataformas da Internet esforçam-se por combater esta situação através de algoritmos de verificação, mas estes esforços encontram-se num conflito contínuo com ações de contrafação.  Explorando a transparência, imutabilidade e rastreabilidade da tecnologia blockchain, este artigo apresenta um sistema robusto de votação de reputação baseado nela. Ao contrário dos sistemas de reputação existentes baseados em blockchain, nosso modelo aproveita uma abordagem intrinsecamente incentivada economicamente para reforçar a integridade do agente. Otimizamos esse modelo para refletir o comportamento do usuário no mundo real, preservando a sustentabilidade fundamental do sistema de reputação. Através de simulações de Monte-Carlo, usando distribuições uniformes e de lei de potência possibilitadas por um método inovador de transformação inversa, atravessamos um amplo cenário de parâmetros, replicando a complexidade do mundo real. As conclusões sublinham a promessa de um mecanismo de reputação sustentável, transparente e formidável. Dada a sua estrutura, a nossa estrutura pode potencialmente funcionar como um oráculo universal e sustentável para pontes off-chain-on-chain, ajudando as entidades a cultivar perpetuamente a sua reputação. A integração futura com tecnologias como Ring Signature e Zero Knowledge Proof poderia amplificar as facetas de privacidade do sistema, tornando-o particularmente influente no domínio digital em constante evolução.  Palavras-chave: blockchain, sistema de reputação, oráculo sustentável, agente, ponto de crédito, classificação baseada em integridade, mecanismos de incentivo, simulação de Monte-Carlo  1. Introdução  A assimetria de informação [1] introduz desafios para os consumidores que tentam selecionar produtos ou serviços que melhor atendam às suas necessidades. Nos mercados de varejo tradicionais, os consumidores gravitam em torno de marcas em que confiam com base em experiências pessoais, nas experiências de outras pessoas ou em anúncios [2]. Cada marca incorpora um certo valor que pode ser monetizado em mercados abertos. Oferecer produtos ou serviços que ficam aquém das expectativas dos consumidores-alvo pode diminuir o valor desta marca. Esses mecanismos de marca [3] servem para beneficiar consumidores e produtores no varejo e em setores de mercado tradicionais ainda mais amplos [4].  Com a maior conveniência e diversidade que oferecem, os produtos e serviços online estão a tornar-se a escolha preferida de muitos consumidores. Uma tendência notável neste domínio é o aumento de ofertas P2P de terceiros em plataformas de Internet [5]. Este setor em rápido crescimento inclui uma ampla gama de serviços. Plataformas modernas de Internet como Amazon, eBay, Taobao, Anyvan, ClickMechanic e Mybuilder transformaram a forma como os provedores de serviços terceirizados interagem com os consumidores. Essencialmente, essas plataformas permitem que os fornecedores exibam seus produtos ou serviços, permitindo que os clientes naveguem, comparem e comprem facilmente.  Central para essas operações é o papel das avaliações dos clientes. Um elevado número de avaliações positivas pode aumentar significativamente a atratividade de um fornecedor, influenciando as decisões de compra de outros potenciais clientes. Por outro lado, avaliações negativas podem impedir vendas futuras. Esta influência significativa abriu, no entanto, o caminho para tácticas manipulativas. A prevalência de práticas enganosas, como classificações falsas e criação de cliques, é notavelmente maior online em comparação com os mercados tradicionais [6, 7, 8]. Por exemplo, alguns fornecedores podem envolver-se na “agricultura de avaliação”, onde compram os seus produtos para deixar críticas positivas ou contratam indivíduos para escreverem críticas enganosamente favoráveis sobre eles. No lado mais sombrio, pode haver casos de fornecedores que deixam comentários negativos maliciosos para os concorrentes, manchando sua reputação.  Assim, o estabelecimento de mecanismos de marca fiáveis apresenta desafios substanciais. Diante desse cenário, verificar as ações autênticas dos consumidores e criar mecanismos de reputação eficientes torna-se fundamental. Embora as plataformas online tenham a capacidade de empregar algoritmos para filtrar ações genuínas de ações enganosas, permitindo assim que produtores terceiros construam uma reputação legítima, a eficácia de tais métodos permanece questionável. Existe uma tensão persistente entre as manobras enganosas de alguns produtores terceiros e as contramedidas introduzidas pelos algoritmos de verificação da plataforma. Esta dinâmica constitui essencialmente uma batalha cíclica. As soluções atuais podem exigir compensações, comprometendo potencialmente a privacidade do usuário ou outros atributos desejáveis [9]. Embora o aprendizado de máquina ofereça um caminho promissor [10], sua implementação requer uma fase inicial de treinamento com dados genuínos do usuário garantidos ou um período de desenvolvimento substancial antes de se tornar verdadeiramente eficaz.  O advento da tecnologia blockchain, iniciada por Satoshi Nakamoto [11], e ampliada pelo conceito de contrato inteligente de Nick Szabo [12] - concretizado por Vitalik Buterin através do Ethereum em 2014 [13] - abriu o caminho para inovações on- sistemas de reputação de cadeia.[1] Os oráculos desempenham um papel fundamental na ponte entre o mundo real e a tecnologia blockchain, pois fornecem o elo crucial pelo qual os dados fora da cadeia podem ser acessados e utilizados por contratos inteligentes na cadeia. Esta função é imprescindível visto que os blockchains não podem acessar nativamente informações fora de sua rede. Em 2017, a Chainlink introduziu seu mecanismo oráculo [14], ampliando significativamente as capacidades dos sistemas descentralizados. Seu renomado caso de uso para feeds de preços lançou as bases para o florescimento das finanças descentralizadas [15, 16]. Essencialmente, os oráculos atuam como intermediários terceirizados, retransmitindo dados externos para contratos inteligentes. A rede oráculo descentralizada da Chainlink garante a autenticidade e integridade dos dados transmitidos para o blockchain. Isto é conseguido através da obtenção de dados de uma infinidade de oráculos independentes e da consolidação das suas respostas, mitigando os riscos associados a pontos de dados singulares e melhorando a fiabilidade e segurança dos contratos inteligentes dependentes de dados externos.  No entanto, o funcionamento destes oráculos depende principalmente de mecanismos de incentivo, mais notavelmente incentivos de aquisição – tomando, por exemplo, a transição do activo nativo “Link” de não circulação para circulação. Durante um período, estes incentivos podem ter o potencial de diluir o valor para todos os participantes. À medida que o conjunto destas recompensas se aproxima do esgotamento, as apreensões sobre a viabilidade duradoura do sistema vêm à tona. Aprimoramentos sucessivos, como o Chainlink 2.0 [17], juntamente com outras soluções contemporâneas, têm se esforçado para superar esse desafio. No entanto, a sua eficácia é um assunto de discussão contínua. Embora estes modelos e estratégias refinados demonstrem potencial, a sua capacidade de manter uma eficácia prolongada e inabalável permanece sob análise [18]. Conseqüentemente, forjar uma infraestrutura oráculo verdadeiramente sustentável torna-se essencial para fortalecer o vínculo entre o mundo real e a tecnologia blockchain.  Estudos recentes iluminaram várias dimensões da tecnologia blockchain, notadamente os sistemas de reputação baseados em blockchain [19, 20]. Embora esses esforços sejam louváveis, alguns deles parecem mais teóricos e podem encontrar desafios ao atender a todas as interações dinâmicas entre agentes[2]. Outros optaram pela seleção centralizada de nós confiáveis, potencialmente introduzindo vulnerabilidades associadas a pontos únicos de falha [21, 22, 23, 24]. Os mecanismos que visam emular configurações do mundo real às vezes dependem de processos intrincados para identificar tipos de agentes e monitorar suas atividades na cadeia. Esses processos ocasionalmente ofuscam mecanismos de incentivo mais diretos que demonstraram eficácia espontânea [25]. Algumas estruturas de incentivos económicos propostas parecem apoiar-se no aumento do “número” de activos blockchain, que podem ser susceptíveis de diluição ao longo do tempo [26], em vez de fornecerem vantagens concretas. À medida que os designs dos mecanismos crescem em complexidade, podem inadvertidamente aumentar os custos de intervenção ou introduzir imprevisibilidades. Depender fortemente de incertezas semelhantes às propostas pela teoria do caos [27] – inspirada no famoso “Efeito Borboleta” [28] – pode pisar em terreno delicado.  Embora pareça haver soluções promissoras, como “Truth” [29] – um sistema de reputação auxiliado por blockchain que visa evitar a necessidade de confiar em plataformas de comércio eletrônico e garantir a autenticidade e o anonimato do feedback – o sistema tem suas potenciais deficiências. “Truth” introduz um modelo híbrido em que a plataforma centralizada de comércio eletrônico permanece responsável pelos serviços comerciais tradicionais, mas o blockchain supervisiona a autenticação do feedback. Embora “Truth” apresente uma abordagem inovadora para o antigo problema de autenticação do feedback do comércio eletrônico, certos aspectos merecem um exame mais aprofundado. Por exemplo, o documento não aborda adequadamente as motivações que levariam os consumidores a envolverem-se no processo de feedback. Compreender estes incentivos é vital para garantir a adoção generalizada e feedback sincero. Além disso, o sistema parece ignorar potenciais comportamentos maliciosos por parte dos vendedores, como a publicação de feedback negativo contra concorrentes ou a contratação de consumidores fictícios para gerar avaliações positivas. Embora as transacções possam ocorrer através dos canais prescritos, existe a possibilidade de compensar estes consumidores “contratados” através de métodos alternativos, contornando assim as salvaguardas do sistema. Para que a “Verdade” realize plenamente o seu potencial e demonstre a sua eficácia em contextos do mundo real, estas preocupações precisam de ser abordadas em versões ou pesquisas futuras.  Dados esses desafios, há mérito em explorar um modelo básico mais simplificado que incentive inerentemente a integridade do comportamento do agente e promova a sustentabilidade [30, 31, 32, 33, 34]. Avaliações iniciais deste modelo poderiam empregar simulações de Monte-Carlo em vastos domínios de parâmetros, capturando complexidades do mundo real. É essencial observar que este modelo rudimentar não precisa capturar todos os detalhes intrincados dos cenários do mundo real. Um sistema de reputação básico, mesmo que ofereça apenas uma classificação de credibilidade singular, pode ser inestimável em inúmeras aplicações. Este valor é alcançado quando as informações de reputação fornecidas são precisas e confiáveis, permitindo que os usuários confiem nelas em vez de recorrer a outras plataformas que lutam para filtrar classificações falsas de baixo custo, conforme discutido anteriormente.  Construir sobre uma base de modelo básico bem definida permite iteração e aprimoramento. Ao integrar componentes corretivos às equações fundamentais, podemos preservar os incentivos essenciais e, ao mesmo tempo, refinar o modelo no sentido de um sistema de reputação duradouro para refletir os cenários do mundo real com mais precisão. Garantir a vantagem competitiva deste modelo sobre outras plataformas ou soluções blockchain amplifica a sua resiliência e sustentabilidade. Esta estratégia não só destaca a utilidade prática do modelo mas, à medida que a adoção cresce, potencializa o efeito de rede. A integração generalizada do nosso sistema fortalece as barreiras comerciais contra a replicação, tornando cada vez mais difícil para potenciais concorrentes emularem o nosso modelo único e os seus benefícios.  Embora as aplicações do sistema de reputação eterna continuem a se expandir em vários domínios e dados demográficos, este sistema pode funcionar como uma rede oráculo sustentável com confiabilidade comprovada. A integração de Ring Signatures [35, 36, 37, 38, 39] e Zero Knowledge Proofs (ZKPs) [40, 41, 42] pode melhorar ainda mais as dimensões de privacidade de tais mecanismos oráculo, especialmente em situações onde a privacidade é fundamental. As assinaturas de anel permitem a assinatura digital de um membro do grupo sem revelar a identidade do signatário específico. Os ZKPs representam uma técnica criptográfica avançada que permite aos agentes fundamentar certas reivindicações (como seus ativos ou estados) sem revelar os detalhes.  A estrutura deste artigo está organizada da seguinte forma: A Seção 2 apresenta as tecnologias blockchain relevantes. Em seguida, o modelo básico é apresentado na Seção 3, que estabelece as bases para a compreensão dos mecanismos de incentivo que promovem a integridade automotivada entre os agentes. Em seguida, refinamos este modelo básico na Seção 4 para refletir mais de perto os cenários do mundo real, garantindo que os incentivos para classificações baseadas na integridade sejam preservados. Após construir uma base teórica robusta, a Seção 5 utiliza simulações de Monte Carlo para validar nossas proposições, seguida de uma análise detalhada e discussão dos resultados. As nossas conclusões das simulações estão resumidas na Secção 6, onde sublinhamos que o nosso sistema de reputação funciona eficazmente como um oráculo universal sustentável. Finalmente, possíveis direções para pesquisas futuras são propostas na Seção 7.  [1] No nosso modelo, o termo “sistema de reputação” é usado genericamente para denotar a solução alternativa que propomos. No entanto, em cenários de aplicação prática, também pode ser referido como uma “plataforma”. Os dois termos podem ser usados indistintamente.  [2] Em nosso modelo, empregamos o termo “agente” para representar entidades envolvidas no sistema. Por outro lado, em cenários de aplicação do mundo real, nos referimos a eles como “usuários”. Ao longo deste artigo, o termo “agente” é usado no contexto do modelo, enquanto “usuário” é empregado no contexto de aplicações do mundo real. Ambos os termos podem ser considerados intercambiáveis em muitos cenários.

Read My Stories

Elevating intelligence with cutting-edge solutions for seamless cognizance experiences.

Cognizance's blog

Este áudio é produzido no idioma original da história!

Apresentando um modelo de classificação baseado na integridade intrínseca para uma reputação sustentável Sistema

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps